大数据架构详解：从数据获取到深度学习
2020-03-17 11:13:22 0 举报AI智能生成
大数据架构详解：从数据获取到深度学习
作者其他创作
大纲/内容
第三部分 大数据文化
12 大数据技术开发文化
12.1 开源文化
12.2 DevOps理念
12.2.1 Development和Operations的组合
12.2.2 对应用程序发布的影响
12.2.3 遇到的问题
12.2.4 协调人
12.2.5 成功的关键
12.3 速度远比你想的重要
12.4 小结
第一部分 大数据的本质
1 大数据是什么
1.1 大数据导论
1.1.1 大数据简史(1)
1.1.2 大数据现状
1.1.3 大数据与BI(4)
1.2 企业数据资产
1.3 大数据挑战
1.3.1 成本挑战
1.3.2 实时性挑战
1.3.3 安全挑战
1.4 小结
2 运营商大数据架构
2.1 架构驱动的因素
2.2 大数据平台架构
2.3 平台发展趋势
2.4 小结
3 运营商大数据业务
3.1 运营商常见的大数据业务
3.1.1 SQM（运维质量管理）
3.1.2 CSE（客户体验提升）
3.1.3 MSS（市场运维支撑）
3.1.4 DMP（数据管理平台）
3.2 小结
第二部分 大数据技术
4 数据获取
4.1 数据分类
4.2 数据获取组件
4.3 探针
4.3.1 探针原理
4.3.2 探针的关键能力
4.4 网页采集
4.4.1 网络爬虫(10)
4.4.2 简单爬虫Python代码示例(11)
4.5 日志收集
4.5.1 Flume(12)
4.5.2 其他日志收集组件
4.6 数据分发中间件
4.6.1 数据分发中间件的作用
4.6.2 Kafka架构和原理(15)
4.7 小结
5 流处理
5.1 算子
5.2 流的概念
5.3 流的应用场景
5.3.1 金融领域
5.3.2 电信领域
5.4 业界两种典型的流引擎
5.4.1 Storm(3)
5.4.2 Spark Streaming(4)
5.4.3 融合框架(7)
5.5 CEP(10)
5.5.1 CEP是什么(11)
5.5.2 CEP的架构
5.5.3 Esper(12)
5.6 实时结合机器学习
5.6.1 Eagle的特点
5.6.2 Eagle概览
5.7 小结
6 交互式分析
6.1 交互式分析的概念
6.2 MPPDB技术
6.2.1 MPP的概念(1)
6.2.2 典型的MPP数据库
6.2.3 MPP DB调优实战
6.2.4 MPPDB适用场景(11)
6.3 SQL on Hadoop
6.3.1 Hive
6.3.2 Phoenix
6.3.3 Impala
6.4 大数据仓库
6.4.1 数据仓库的概念
6.4.2 OLTP/OLAP对比
6.4.3 大数据场景下的同与不同
6.4.4 查询引擎
6.4.5 存储引擎
6.5 小结
7 批处理技术
7.1 批处理技术的概念
7.2 MPP DB技术
7.3 MapReduce编程框架
7.3.1 MapReduce起源
7.3.2 MapReduce原理
7.3.3 Shuffle
7.3.4 性能差的主要原因
7.4 Spark架构和原理(1)
7.4.1 Spark的起源和特点
7.4.2 Spark的核心概念
7.5 BSP框架(5)
7.5.1 什么是BSP模型
7.5.2 并行模型介绍
7.5.3 BSP模型基本原理
7.5.4 BSP模型的特点
7.5.5 BSP模型的评价
7.5.6 BSP与MapReduce对比
7.5.7 BSP模型的实现
7.5.8 Apache Hama简介
7.6 批处理关键技术
7.6.1 CodeGen(6)
7.6.2 CPU亲和技术(7)
7.7 小结
8 机器学习和数据挖掘
8.1 机器学习和数据挖掘的联系与区别
8.2 典型的数据挖掘和机器学习过程
8.3 机器学习概览
8.3.1 学习方式
8.3.2 算法类似性
8.4 机器学习&数据挖掘应用案例
8.4.1 尿布和啤酒的故事
8.4.2 决策树用于电信领域故障快速定位
8.4.3 图像识别领域
8.4.4 自然语言识别
8.5 交互式分析(1)
8.6 深度学习(2)(3)
8.6.1 深度学习概述
8.6.2 机器学习的背景
8.6.3 人脑视觉机理
8.6.4 关于特征
8.6.5 需要有多少个特征
8.6.6 深度学习的基本思想
8.6.7 浅层学习和深度学习
8.6.8 深度学习与神经网络
8.6.9 深度学习的训练过程
8.6.10 深度学习的框架
8.6.11 深度学习与GPU
8.6.12 深度学习小结与展望
8.7 小结
9 资源管理
9.1 资源管理的基本概念
9.1.1 资源调度的目标和价值
9.1.2 资源调度的使用限制及难点
9.2 Hadoop领域的资源调度框架
9.2.1 YARN
9.2.2 Borg(1)
9.2.3 Omega
9.2.4 本节小结
9.3 资源分配算法
9.3.1 算法的作用
9.3.2 几种调度算法分析
9.4 数据中心统一资源调度
9.4.1 Mesos+Marathon架构和原理
9.4.2 Mesos+Marathon小结
9.5 多租户技术
9.5.1 多租户概念
9.5.2 多租户方案
9.6 基于应用描述的智能调度
9.7 Apache Mesos架构和原理(3)
9.7.1 Apache Mesos背景
9.7.2 Apache Mesos总体架构
9.7.3 Apache Mesos工作原理
9.7.4 Apache Mesos关键技术
9.7.5 Mesos与YARN比较
9.8 小结
10 存储是基础
10.1 分久必合，合久必分
10.2 存储硬件的发展
10.2.1 机械硬盘的工作原理
10.2.2 SSD的原理
10.2.3 3DXPoint
10.2.4 硬件发展小结
10.3 存储关键指标
10.4 RAID技术
10.5 存储接口
10.5.1 文件接口
10.5.2 裸设备
10.5.3 对象接口
10.5.4 块接口(7)
10.5.5融合是趋势
10.6 存储加速技术
10.6.1 数据组织技术
10.6.2 缓存技术
10.7 小结
11 大数据云化
11.1 云计算定义
11.2 应用上云
11.2.1 CloudNative概念
11.2.2 微服务架构(1)
11.2.3 Docker配合微服务架构(2)
11.2.4 应用上云小结
11.3 大数据上云
11.3.1 大数据云服务的两种模式
11.3.2 集群模式AWSEMR(5)
11.3.3 服务模式AzureDataLakeAnalytics
11.4 小结
0 条评论
下一页
